28 de enero de 2026
Machine learning en la predicción de reembolsos por daños eléctricos
Benjamim Abreu de Souza; Wilson Tarantin Junior
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
El suministro de energía eléctrica, un servicio esencial, está sujeto a interrupciones que generan reclamaciones y solicitudes de indemnización por daños eléctricos, frecuentemente asociadas a factores ambientales (ANEEL, 2024). Este estudio emplea técnicas de aprendizaje automático para modelar y predecir la ocurrencia de estas solicitudes en municipios de una distribuidora en el Sudeste de Brasil. La investigación adopta un enfoque exploratorio, combinando datos cuantitativos y cualitativos de fuentes públicas, incluyendo información meteorológica, socioeconómica y técnica de la distribución de energía (Cipoli, Nogueira y Rios, 2003). La modelización se realizó en el entorno Spyder, utilizando el lenguaje Python y bibliotecas como Sklearn y Statsmodels (Fávero y Belfiore, 2024). La estructura jerárquica de los datos se consideró en dos niveles: municipios dentro de regiones climatológicamente homogéneas (INCAPER, 2025).
La metodología implicó la recopilación de datos de diversas fuentes. La primera, denominada indgercomercial, accedió vía API a los Indicadores Gerenciales de la Distribución (INDGER) de la ANEEL, abarcando el período de 2023 a 2024. Las variables recopiladas incluyeron el código IBGE del municipio, la cantidad de unidades consumidoras activas y la cantidad de solicitudes de indemnización por daños (ANEEL, 2025). La segunda recopilación, interrupcoesaneel, también utilizó código Python para acceder a datos de interrupciones por subestación de distribución de energía, igualmente entre 2023 y 2024. La información obtenida detalló la subestación, el número de orden de la interrupción, las fechas de inicio y fin, y el hecho generador (ANEEL, 2024). Una tercera base de datos, datos_climaticos, se obtuvo del Instituto Nacional de Meteorología (INMET), conteniendo información meteorológica de 12 estaciones en Espírito Santo, organizada por mes y año (INMET, 2025). Adicionalmente, el estudio incorporó el Índice Socioeconómico (INSE) de los municipios, disponible a través del gobierno estatal (INEP, 2023).
Para modelar las solicitudes de indemnización, se aplicaron técnicas de aprendizaje automático supervisado: modelado Multinivel de regresión, modelo de regresión para datos de conteo y Random Forest (Géron, 2019). El modelado Multinivel, adecuado para datos con estructura anidada, permitió analizar las variaciones individuales y entre grupos (Fávero y Belfiore, 2024). El modelo de regresión para datos de conteo utilizó la distribución Binomial Negativa, apropiada para números enteros no negativos con sobredispersión (Cameron y Trivedi, 1990). El algoritmo Random Forest, por su parte, agregó un conjunto de predictores de árbol de decisión (Géron, 2019). La validación cruzada de los modelos utilizó 5 folds y el coeficiente de determinación R² como métrica de desempeño.
Los resultados revelaron que el modelo Multinivel superó a los modelos Binomial Negativo y Random Forest, aunque todos proporcionaron contribuciones relevantes. Características del municipio, como la cantidad de unidades consumidoras y el indicador socioeconómico, se mostraron estadísticamente significativos en al menos uno de los modelos, así como la velocidad media del viento, un parámetro de las regiones climatológicamente homogéneas. El análisis exploratorio de los datos identificó alta correlación entre variables predictoras como unidades consumidoras, interrupciones, velocidad del viento, ráfaga, humedad, presión y temperatura (Vasconcellos y Alves, 2000). El modelado Multinivel constató heterogeneidad en las solicitudes de indemnización entre las regiones, con la varianza de intercepto referente a las regiones siendo significativamente diferente de cero. El modelo final, tras transformación de Box Cox, presentó significancia estadística para las variables unidades, velocidad del viento y ráfaga del viento. El modelo Binomial Negativo también consideró la variable INSE como estadísticamente significativa. El modelo Random Forest, por su parte, indicó la importancia de las interrupciones de energía eléctrica, aunque sin significancia estadística en los otros modelos.
El análisis conjunto de los modelos indicó que las variables con significancia estadística en los modelos Multinivel y Binomial Negativo tienen potencial para influir en las solicitudes de indemnización. El número de unidades consumidoras con contrato vigente en el municipio emergió como la variable más importante, seguida por la velocidad del viento y ráfaga, y por el índice socioeconómico de los municipios. La aplicación de diferentes modelados combinada a datos públicos demostró ser suficiente para investigar los factores que influyen en las solicitudes de indemnización por daños eléctricos. Se concluye que el objetivo fue alcanzado: se identificó que el número de unidades consumidoras, la velocidad del viento y el índice socioeconómico son factores determinantes para la ocurrencia de solicitudes de indemnización por daños eléctricos, presentando el modelo Multinivel el mejor desempeño predictivo.
Referencias Bibliográficas:
Agência Nacional de Energia Elétrica [ANEEL]. 2021a. Módulo 9 do PRODIST: Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional. Disponível em: <https://www2.aneel.gov.br/cedoc/aren202195628.pdf>. Acesso em: 16 mar. 2025.
Agência Nacional de Energia Elétrica [ANEEL]. 2021b. Resolução Normativa nº 1000, de 2021. Diário Oficial da União, Brasília, 23 dez. 2021. Disponível em: <https://www2.aneel.gov.br/cedoc/ren20211000.html>. Acesso em: 16 mar. 2025.
Agência Nacional de Energia Elétrica [ANEEL]. 2024. Qualidade do Fornecimento de Energia Elétrica. Disponível em: <https://www.gov.br/aneel/pt-br/assuntos/distribuicao/qualidade-do-fornecimento-de-energia-eletrica>. Acesso em: 16 mar. 2025.
Agência Nacional de Energia Elétrica [ANEEL]. 2025. Indicadores Gerenciais da Distribuição. Disponível em: <https://dadosabertos.aneel.gov.br/dataset/indger-indicadores-gerenciais-da-distribuicao>. Acesso em: 16 mar. 2025.
Brasil. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira [INEP]. 2023. Saeb 2021: Indicador de Nível Socioeconômico do Saeb 2021: nota técnica. Inep, Brasília, DF, Brasil.
Cameron, A. C.; Trivedi, P. K. 1990. Regression-based test for over dispersion in the Poisson model.Journal of Econometrics, v.46, n. 3, p. 347 – 364.
Cipoli, J.A.; Nogueira, E.D.B.; Rios, A.J.S. 2003. Ressarcimento de Danos Elétricos. Disponível em: <http://www.mfap.com.br/pesquisa/arquivos/20090428131506-Ressarcimento%20de%20Danos%20Eletricos.pdf>. Acesso em: 28 fev. 2025.
Fávero, L.; Belfiore, P. 2024. Manual de análise de dados: estatística e machine learning com Excel, SPSS, Stata, R e Python. 2ed. LTC, Rio de Janeiro, RJ, Brasil.
Géron, A. 2019. Mãos à obra: aprendizado de máquina com Scikit-Learn e TensorFlow. Alta Books, Rio de Janeiro, RJ, Brasil.
Instituto Capixaba de Pesquisa, Assistência Técnica e Extensão Rural [INCAPER]. 2025. Legenda de Regiões Meteorológicas. Disponível em: <https://meteorologia.incaper.es.gov.br/legenda_regioes>. Acesso em: 25 set. 2025.
Instituto Nacional de Meteorologia [INMET]. 2025. Glossário. Disponível em: <https://portal.inmet.gov.br/glossario/glossario>. Acesso em: 29 set. 2025.
Vasconcellos, M.; Alves, D. 2000. Manual de econometria. Atlas, São Paulo, Brasil.
Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq
Más información sobre el curso; haga clic aquí: